論文の概要: DiffAttack: Evasion Attacks Against Face Recognition via Latent Diffusion Models
- arxiv url: http://arxiv.org/abs/2607.28936v1
- Date: Fri, 31 Jul 2026 01:33:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.559841
- Title: DiffAttack: Evasion Attacks Against Face Recognition via Latent Diffusion Models
- Title（参考訳）: DiffAttack:潜伏拡散モデルによる顔認識に対する侵入攻撃
- Abstract要約: 本稿では,潜在空間最適化による対向顔生成のための新しいアプローチを提案する。
顔認識モデルによって測定されるように、潜時拡散モデルを直接利用して、ターゲットアイデンティティの埋め込みに向けて生成をガイドする。
提案するフレームワークは,FFHQやCelebA-HQデータセットなどの標準ベンチマークで評価されている。
- 参考スコア（独自算出の注目度）: 2.1485350418225244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Facial biometric identification relies on the distinctiveness of user attributes within a high-dimensional embedding space. However, the decision boundaries of deep face recognition (FR) systems are often sufficiently narrow that they can be conflated, rendering the models vulnerable to adversarial attacks. In such scenarios, the FR system fails to distinguish between an authentic source and a meticulously crafted adversarial face. Existing adversarial methods targeting facial biometrics are limited in both performance and their ability to generate high-quality images that are imperceptible to humans. Moreover, these methods often fail when the source and target images belong to different demographic groups or genders. To address these limitations, we present a novel approach for adversarial face generation via latent-space optimization. We leverage latent diffusion models directly to guide generation toward target identity embeddings, as measured by a face recognition model. Our proposed \textbf{DiffAttack} framework has been evaluated on standard benchmarks, such as the FFHQ and CelebA-HQ datasets. DiffAttack significantly outperforms existing adversarial techniques, achieving a high average attack success rate of 84.86% across multiple face recognition models (e.g., FaceNet). Notably, DiffAttack demonstrates superior transferability, surpassing traditional noise-based methods by over 15.28% and semantic-based approaches by approximately 5.21% on benchmark datasets like FFHQ and CelebA-HQ.
- Abstract（参考訳）: 顔の生体認証は、高次元の埋め込み空間におけるユーザ属性の特異性に依存する。
しかし、ディープフェース認識(FR)システムの決定境界は、しばしば十分に狭くなり、混ざり合うことができ、敵の攻撃に弱いモデルを生み出す。
このようなシナリオでは、FRシステムは真正の情報源と巧妙に製作された対向顔とを区別できない。
顔のバイオメトリックスを対象とする既存の敵対的手法は、人には受け入れられない高品質な画像を生成する能力と性能の両方において制限されている。
さらに、これらの手法は、ソースとターゲット画像が異なる人口集団または性別に属している場合、しばしば失敗する。
これらの制約に対処するために、潜時空間最適化による対向顔生成の新しいアプローチを提案する。
顔認識モデルによって測定されるように、潜時拡散モデルを直接利用して、ターゲットアイデンティティの埋め込みに向けて生成をガイドする。
提案する‘textbf{DiffAttack}フレームワークは,FFHQやCelebA-HQといった標準ベンチマークで評価されている。
DiffAttackは、複数の顔認識モデル(例えばFaceNet)で平均攻撃成功率84.86%を達成し、既存の敵の技術を著しく上回っている。
特にDiffAttackは、従来のノイズベースの手法を15.28%以上上回り、セマンティックベースのアプローチをFFHQやCelebA-HQのようなベンチマークデータセットで約5.21%上回る、優れた転送性を示している。
関連論文リスト
- Adv-TGD: Adversarial Text-Guided Diffusion for Face Recognition Impersonation Attacks [2.1485350418225244]
本稿では,ジェネレーティブ・アタック・フレームワークであるAdv-TGDを提案する。
ターゲットのアイデンティティを偽装し、顔認識システムを欺くことができる光現実的な顔を合成する。
Adv-TGDは、IR152、IRSE50、MobileFace、FaceNetで平均攻撃成功率(ASR)が85.90%に達する。
論文 参考訳（メタデータ） (2026-06-10T03:28:00Z) - Non-Adaptive Adversarial Face Generation [18.28396766186067]
顔認識システムに対する敵対的な攻撃は、深刻なセキュリティとプライバシーの脅威を引き起こす。
対向顔合成顔画像を生成する新しい手法を提案する。
我々の方法は、AWSのComparteFaces APIに対して93%以上の高い成功率を達成する。
論文 参考訳（メタデータ） (2025-07-16T10:24:54Z) - DiffMI: Breaking Face Recognition Privacy via Diffusion-Driven Training-Free Model Inversion [16.02881487974147]
顔認識は、不変の生体データに依存するため、深刻なプライバシーリスクを引き起こす。
モデル反転攻撃は、アイデンティティ情報がまだ回復可能であることを明らかにし、重大な脆弱性を露呈する。
DiffMIは拡散駆動型トレーニングフリーモデルインバージョンアタックである。
論文 参考訳（メタデータ） (2025-04-25T01:53:27Z) - SAP-DIFF: Semantic Adversarial Patch Generation for Black-Box Face Recognition Models via Diffusion Models [4.970240615354004]
敵対的妨害によって攻撃者は正当性を装うことができるため、偽装攻撃は重大な脅威となる。
そこで本研究では,直接画素操作ではなく,潜在空間における意味摂動による逆パッチ生成手法を提案する。
提案手法は,平均攻撃成功率を45.66%向上させ,クエリ数を約40%削減する。
論文 参考訳（メタデータ） (2025-02-27T02:57:29Z) - Imperceptible Face Forgery Attack via Adversarial Semantic Mask [59.23247545399068]
本稿では, 対向性, 可視性に優れた対向性例を生成できるASMA(Adversarial Semantic Mask Attack framework)を提案する。
具体的には, 局所的なセマンティック領域の摂動を抑制し, 良好なステルス性を実現する, 対向型セマンティックマスク生成モデルを提案する。
論文 参考訳（メタデータ） (2024-06-16T10:38:11Z) - Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent
Diffusion Model [61.53213964333474]
本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。
具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。
設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
論文 参考訳（メタデータ） (2023-12-18T15:25:23Z) - DiffProtect: Generate Adversarial Examples with Diffusion Models for
Facial Privacy Protection [64.77548539959501]
DiffProtectは最先端の方法よりも自然に見える暗号化画像を生成する。
例えば、CelebA-HQとFFHQのデータセットで24.5%と25.1%の絶対的な改善が達成されている。
論文 参考訳（メタデータ） (2023-05-23T02:45:49Z) - Attribute-Guided Encryption with Facial Texture Masking [64.77548539959501]
本稿では,顔認識システムからユーザを保護するために,顔テクスチャマスキングを用いた属性ガイド暗号化を提案する。
提案手法は,最先端の手法よりも自然な画像を生成する。
論文 参考訳（メタデータ） (2023-05-22T23:50:43Z) - RAF: Recursive Adversarial Attacks on Face Recognition Using Extremely
Limited Queries [2.8532545355403123]
近年の顔認識に対する敵対的攻撃の成功は、顔認識モデルの顕著な進歩にもかかわらず、認識と認識のための人間の知性にはまだ及ばないことを示している。
本稿では,ターゲットモデルを騙すために,極めて限られたクエリ数を必要とする自動顔整形を提案する。
決定に基づくブラックボックス攻撃設定における提案手法のロバスト性を評価する。
論文 参考訳（メタデータ） (2022-07-04T00:22:45Z) - Towards Transferable Adversarial Attack against Deep Face Recognition [58.07786010689529]
ディープ畳み込みニューラルネットワーク(DCNN)は敵の例に弱いことが判明した。
転送可能な敵の例は、DCNNの堅牢性を著しく妨げます。
DFANetは畳み込み層で使用されるドロップアウトベースの手法であり,サロゲートモデルの多様性を高めることができる。
クエリなしで4つの商用APIをうまく攻撃できる新しい対向顔ペアを生成します。
論文 参考訳（メタデータ） (2020-04-13T06:44:33Z) - Temporal Sparse Adversarial Attack on Sequence-based Gait Recognition [56.844587127848854]
このような攻撃に対して,最先端の歩行認識モデルが脆弱であることを示す。
生成した対向ネットワークに基づくアーキテクチャを用いて、対向的な高品質な歩行シルエットやビデオフレームを意味的に生成する。
実験結果から, フレームの1分の1しか攻撃されない場合, 対象モデルの精度は劇的に低下することがわかった。
論文 参考訳（メタデータ） (2020-02-22T10:08:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。